PulseFlow Tecnologia
← Insights
·7 min de leitura·framework-playbook·context-engineering·kv-cache·agentes-de-ia
PulseFlow Tecnologia

Playbook de context engineering para times de produto e engenharia

A Manus documentou, com números reais de produção, o que context engineering significa na prática quando um agente roda em escala. A lição central logo de cara é sobre custo: "o KV-cache hit rate é a métrica mais importante" para agentes em produção - com Claude Sonnet, um token em cache custa US$ 0,30 por milhão de tokens contra US$ 3 sem cache, uma diferença de 10 vezes, e a proporção média entrada-saída da Manus é de aproximadamente 100:1. Isso muda completamente a prioridade de quem desenha o contexto de um agente: antes de pensar em "o que colocar no prompt", é preciso pensar em "o que não vai invalidar o cache".

Estabilidade do prefixo é receita, não detalhe

Um erro comum e caro: colocar um timestamp preciso no início do prompt. "Mesmo uma diferença de um token invalida o cache" para todos os tokens seguintes. A prática recomendada é manter o prefixo do prompt estável, usar contexto append-only, e marcar explicitamente pontos de quebra de cache - só onde realmente precisa.

Mascarar ferramentas, não removê-las

Adicionar ou remover ferramentas dinamicamente parece uma boa forma de manter o contexto enxuto, mas quebra o KV-cache a cada mudança. A alternativa que a Manus usa é uma máquina de estados com mascaramento de logits: as ações são nomeadas com prefixos consistentes (browser_, shell_), o que permite restringir quais ações estão disponíveis em cada momento sem modificar a definição das ferramentas em si.

Arquivo como memória externa

Em vez de tentar manter tudo dentro da janela de contexto, o agente aprende a ler e escrever em arquivos sob demanda - "memória estruturada externalizada". Estratégias de compressão mantêm URLs e caminhos para restaurar informação depois, sem perder dado. Isso contorna tanto o limite de tamanho de contexto quanto a degradação de performance que acontece em inputs muito longos.

Recitação: manter o objetivo no fim do contexto

Uma tarefa típica na Manus exige cerca de 50 chamadas de ferramentas - tempo suficiente para o agente perder o fio da meada. A solução é manter um arquivo todo.md que é atualizado continuamente, "recitando objetivos no final do contexto" para manter o plano global dentro da janela de atenção mais recente do modelo.

Erros pertencem ao contexto, não à lixeira

Um instinto comum é limpar o contexto de ações que falharam. A Manus recomenda o oposto: deixar ações falhadas visíveis permite que o modelo "atualize implicitamente suas crenças internas". Apagar o erro remove a evidência de que ele aconteceu - e o contexto com erros melhora a recuperação da tarefa, não piora.

Cuidado com "poucos exemplos" repetitivos

Modelos imitam padrões que veem no contexto. Um contexto muito uniforme - os mesmos poucos exemplos repetidos - causa "deriva, generalização excessiva ou alucinação". A correção é introduzir variação estruturada deliberada na serialização, no phrasing e na ordenação, para quebrar o padrão repetitivo.

As dez fases do playbook

Combinando essas lições de produção com a prática de engenharia de contexto:

  1. Mapeamento de fontes - o que entra no contexto e de onde vem
  2. Classificação de conhecimento - o que é fixo, o que é dinâmico
  3. Priorização - o que fica no prefixo estável, o que fica em append
  4. Recuperação - arquivos como memória externa, não só janela de contexto
  5. Compressão - manter referências (URLs, caminhos), não o conteúdo bruto
  6. Atualização - recitação de objetivos para manter foco em tarefas longas
  7. Validação - preservar erros no contexto, não apagá-los
  8. Custo - cache hit rate como métrica central, não coadjuvante
  9. Observabilidade - medir onde o cache quebra e por quê
  10. Revisão - checar se exemplos no contexto não viraram padrão repetitivo demais

Fontes